Agents intelligents Chap. 2

Plan Agents et environnements Rationalité PEAS (Performance measure, Environment, Actuators, Sensors) Types d’environnement Types d’agent

Agents Un agent est une entité quelconque qui peut percevoir son environnement via des senseurs et agir sur l’environnement via des actuateurs Agent humain: yeux, oreilles, et d’autres organes senseurs; mains, jambes, Bouche et d’autres membres comme actuateurs Agent robotique: cameras et télémètre infrarouge comme senseurs; différents moteurs comme actuateurs

Agents et environnements Une fonction agent mappe des histoire de perception à actions: [f: P*  A] Un programme agent fonctionne sur une architecture physique pour produire f agent = architecture + programme

Le monde de l’aspirateur Perçus: localisation et contenus, e.g., [A,Dirty] Actions: Left, Right, Suck, NoOp

Un agent aspirateur

Agents rationnels Un agent doit se forcer à “faire des choses justes”, basée sur ce qu’il perçoit et des actions qu’il peut effectuer. L’action juste est celle qui cause le succès de l’agent Mesure de performance: Un critère objectif de succès pour un comportement d’agent E.g., mesure de performance pour un agent aspirateur peut être le volume de saleté ramassée, le temps pris, l’électricité consommée, le bruit produit, etc.

Agents rationnels Agent rationnel: Pour chaque séquence de perceptions, un agent rationnel doit toujours choisir une action qui peut maximiser la mesure de performance, étant donné les évidences fournies par la séquence de perceptions et éventuellement des connaissances que l’agent possède.

Agents rationnels La rationalité est différente de l’omniscience (tout savoir avec des connaissances sans limite) Un agent peut exécuter une action pour modifier des perceptions futures afin d’obtenir des informations utiles (collecte des information, exploration) Un agent est autonome si son comportement est déterminé par sa propre expérience (avec la capacité d’apprendre et de s’adapter)

PEAS PEAS: Performance measure, Environment, Actuators, Sensors Doit d’abord spécifier le contexte dans lequel l’agent intelligent est développé Considérer, e.g., la tâche de développer un conducteur automatique de taxi: Mesure de performance Environnement Actuateurs Senseurs

PEAS Doit d’abord spécifier le contexte dans lequel l’agent intelligent est développé Considérer, e.g., la tâche de développer un conducteur automatique de taxi: Mesure de performance: sécurité, rapide, légal, confortable, maximiser le profit Environnement: route, autre trafic, piétons, clients Actuateurs: volant, accélérateur, frein, signal, klaxon Senseurs: Cameras, sonar, tableau de bord, GPS

PEAS Agent: Système de diagnostic médical Mesures de performance: santé de patient, minimiser les coûts, poursuite judiciaire Environnement: Patient, hôpital, personnel Actuateurs: affichage sur l’écran (questions, tests, diagnostics, traitements, références) Senseurs: clavier(entrer les symptômes, observations, réponses du patient)

PEAS Agent: robot pour ranger des pièces Mesure de performance: Pourcentage de pièces mises dans des boîtes correctes Environnement: Convoyeur de pièces, boîtes Actuateurs: bras mécanique Senseurs: Camera, senseurs des angles

PEAS Agent: Tuteur interactive d’anglais Mesures de performance: Maximiser le score de test de l’étudiant Environnement: ensemble des étudiants Actuateurs: Affichages sur l’écran (exercices, suggestions, corrections) Senseurs: clavier

Types d’environnement Complètement observable (vs. partiellement observable): Les senseurs d’un agent peuvent accéder à l’état complet de l’environnement à chaque moment. Déterministe (vs. stochastique): Le prochain état est complètement déterminé par l’état actuel et l’action exécutée par l’agent. Si l’environnement est déterministe sauf pour les actions d’autres agents, alors l’environnement est stratégique. Épisodique (vs. séquentiel): L’expérience de l’agent est divisée en “épisodes” atomiques (chaque épisode contient des perceptions de l’agent et une seule action) et le choix de l’action dans chaque épisode est indépendant des autres épisodes.

Types d’environnement Statique (vs. dynamique): L’environnement est inchangé quand l’agent réfléchit. L’environnement est semidynamique si l’environnement lui-même ne change pas avec le temps, mais le score de performance change. Discret (vs. continu): Un nombre limité de perçus et d’actions distincts et clairement définis. mono agent (vs. multiagent): Un seul agent agit sur l’environnement.

Types d’environnement Échecs avec Échecs sans Conducteur horloge horloge de taxi Complètement observable oui oui Non Déterministe Stratégique Stratégique Non Épisodique Non Non Non Statique Semi oui Non Discret oui oui Non Mono agent Non Non Non Le type d’environnement détermine largement la conception de l’agent Le monde réel est partiellement observable, stochastique, séquentiel, dynamique, continu et multiagent.

Fonctions et programmes d’agent Un agent est spécifié complètement par la fonction d’agent qui mappe la séquence de perçus aux actions Une fonction d’agent (ou une petite classe d’équivalence) est rationnelle But: trouver une façon d’implanter la fonction d’agent rationnelle de façon concise

Agent qui cherche dans une table function Table-Driven-Agent(percept) returns an action persistent: percepts, a sequence, initially empty table, a table of actions, indexed by percept sequences, initially fully specified append percept to the end of percepts action  Lookup(percepts, table) return action Inconvénients: Table énorme Prend longtemps pour construire la table Pas d’autonomie Longtemps pour apprendre les entrées de la table, même avec l’apprentissage

Types d’agent 4 types de base dans l’ordre de généralité: Agents reflex simples Agents reflex basés sur modèle Agents basé sur but Agents basé sur utilité

Agents reflex simples

Agents reflex simples function Simple-Reflex-Agent(percept) returns an action persistent: rules, a set of condition-action rules state  Interpret-Input(percept) rule  Rule-Match(state, rules) action  rule.Action return action

Agents reflex basés sur modèle

Agents reflex basés sur but

Agents basés sur utilité

Agents avec apprentissage